本發(fā)明涉及生產(chǎn)線智能調(diào)控，具體是聚酯流延拉伸收縮膜生產(chǎn)線的智能化調(diào)度與優(yōu)化控制系統(tǒng)。

背景技術(shù)：

1、聚酯流延拉伸收縮膜生產(chǎn)線的一般生產(chǎn)工序包括準(zhǔn)備原輔材料、熔融擠出?(使用排氣式雙螺桿擠出機(jī)進(jìn)行熔融擠出)、模具成型(熔體通過熔體計量泵、過濾器和熔體管道進(jìn)入衣架式t型模頭，通過模唇口流延至冷卻轉(zhuǎn)鼓上形成鑄片)、鑄片(鑄片通過冷卻轉(zhuǎn)鼓快速冷卻至玻璃化溫度以下，形成透明的厚片)、橫向拉伸（對鑄片進(jìn)行橫向拉伸，通過分子定向，提高聚酯膜的縱、橫向強(qiáng)度）、牽引收卷和分切；

2、在每個生產(chǎn)工序中包含有若干可自動或手動控制的控制參數(shù)，這些控制參數(shù)決定了最終生成的收縮膜的質(zhì)量，目前對各項控制參數(shù)的設(shè)置往往是基于經(jīng)驗的，由人工手動設(shè)置的參數(shù)，缺乏數(shù)理統(tǒng)計方面的科學(xué)指導(dǎo)，從而導(dǎo)致收縮膜生產(chǎn)質(zhì)量的參差不齊；因此，需要一種能夠?qū)崟r自動對控制參數(shù)進(jìn)行智能調(diào)控以保證生產(chǎn)的收縮膜質(zhì)量的方法；

3、公開號為cn117369384a的中國專利公開了一種薄膜生產(chǎn)線智能缺陷控制系統(tǒng)，其技術(shù)方案要點是包括有用戶單元、應(yīng)用單元、處理單元、數(shù)據(jù)單元以及設(shè)備單元，設(shè)備單元至少包括有缺陷儀和分條機(jī)；應(yīng)用單元用于與用戶單元進(jìn)行交互，并且根據(jù)邏輯功能向處理單元發(fā)送處理指令；數(shù)據(jù)單元用于獲取缺陷儀的缺陷數(shù)據(jù)信息并上傳至處理單元；處理單元用于根據(jù)處理指令和缺陷數(shù)據(jù)信息進(jìn)行數(shù)據(jù)流轉(zhuǎn)操作和/或告警操作，并通過數(shù)據(jù)單元下發(fā)至分條機(jī)，然而該控制系統(tǒng)缺乏對各個控制參數(shù)的量化控制策略，難以達(dá)到精確調(diào)控各項控制參數(shù)的效果；

4、為此，本發(fā)明提出酯流延拉伸收縮膜生產(chǎn)線的智能化調(diào)度與優(yōu)化控制系統(tǒng)。

技術(shù)實現(xiàn)思路

1、本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題之一。為此，本發(fā)明提出聚酯流延拉伸收縮膜生產(chǎn)線的智能化調(diào)度與優(yōu)化控制系統(tǒng)，實時動態(tài)調(diào)節(jié)各工序參數(shù),使收縮膜的產(chǎn)品質(zhì)量保持在理想的目標(biāo)范圍內(nèi)，提高收縮膜的生產(chǎn)質(zhì)量。

2、為實現(xiàn)上述目的，提出聚酯流延拉伸收縮膜生產(chǎn)線的智能化調(diào)度與優(yōu)化控制系統(tǒng)，包括特征參數(shù)設(shè)定模塊、訓(xùn)練數(shù)據(jù)收集模塊、質(zhì)量預(yù)測模型訓(xùn)練模塊、參數(shù)權(quán)重分析模塊以及控制策略優(yōu)化模塊；其中，各個模塊之間通過電性方式連接；

3、特征參數(shù)設(shè)定模塊，預(yù)先確定各道生產(chǎn)工序的控制參數(shù)集合，以及生產(chǎn)出的收縮膜的質(zhì)量參數(shù)集合；

4、所述各道生產(chǎn)工序包括擠出機(jī)處的熔融擠出工序、模頭處的模具成型工序、冷卻輥處的鑄片工序、拉伸機(jī)組處的橫向拉伸工序以及收卷機(jī)頭處的牽引收卷工序；

5、所述特征參數(shù)設(shè)定模塊將控制參數(shù)集合和質(zhì)量參數(shù)集合發(fā)送至訓(xùn)練數(shù)據(jù)收集模塊；

6、訓(xùn)練數(shù)據(jù)收集模塊，預(yù)先在測試環(huán)境中，基于控制參數(shù)集合和質(zhì)量參數(shù)集合，收集訓(xùn)練質(zhì)量預(yù)測模型的訓(xùn)練樣本特征向量集合和質(zhì)量參數(shù)標(biāo)簽向量集合；

7、所述收集訓(xùn)練質(zhì)量預(yù)測模型的訓(xùn)練樣本特征向量集合和質(zhì)量參數(shù)標(biāo)簽向量集合的方式為：

8、在測試環(huán)境中，設(shè)計n次收縮膜生產(chǎn)實驗，n為預(yù)先選擇的收縮膜生產(chǎn)實驗的次數(shù)；

9、在每次收縮膜生產(chǎn)實驗中，由測試人員手動調(diào)節(jié)不同生產(chǎn)工序的控制參數(shù)集合中的不同控制參數(shù)，并啟動全部生產(chǎn)工序，完成測試收縮膜的生產(chǎn)，收集每道生產(chǎn)工序的每個控制參數(shù)，以及最后生產(chǎn)出的測試收縮膜的質(zhì)量參數(shù)集合中的各項質(zhì)量參數(shù)的參數(shù)值作為質(zhì)量參數(shù)標(biāo)簽；

10、每次收縮膜生產(chǎn)實驗中，所有生產(chǎn)工序的所有控制參數(shù)組成該次收縮膜生產(chǎn)實驗的訓(xùn)練樣本特征向量，對應(yīng)測試收縮膜的各項質(zhì)量參數(shù)標(biāo)簽組成該次收縮膜生產(chǎn)實驗的質(zhì)量參數(shù)標(biāo)簽向量；

11、所述訓(xùn)練數(shù)據(jù)收集模塊將訓(xùn)練樣本特征向量集合和質(zhì)量參數(shù)標(biāo)簽向量集合發(fā)送至質(zhì)量預(yù)測模型訓(xùn)練模塊，并將訓(xùn)練樣本特征向量集合發(fā)送至參數(shù)權(quán)重分析模塊；

12、質(zhì)量預(yù)測模型訓(xùn)練模塊，基于訓(xùn)練樣本特征向量集合和質(zhì)量參數(shù)標(biāo)簽向量集合，訓(xùn)練用于預(yù)測收縮膜各項質(zhì)量參數(shù)的質(zhì)量預(yù)測模型；

13、所述訓(xùn)練用于預(yù)測收縮膜各項質(zhì)量參數(shù)的質(zhì)量預(yù)測模型的方式為：

14、步驟11：采用向量到向量的編碼器-解碼器架構(gòu)，對各項質(zhì)量參數(shù)的預(yù)測過程進(jìn)行質(zhì)量預(yù)測模型的建模；

15、所述參數(shù)控制模型的建模方式為：

16、所述編碼器為mlp編碼器，所述編碼器的輸入為每次收縮膜生產(chǎn)實驗對應(yīng)的訓(xùn)練樣本特征向量；

17、所述解碼器為mlp解碼器；

18、步驟12：在解碼器輸出端構(gòu)建k個輸出頭，并聯(lián)合學(xué)習(xí)k種預(yù)測任務(wù)；k為質(zhì)量參數(shù)的數(shù)量；

19、步驟13：設(shè)置質(zhì)量預(yù)測模型的綜合損失函數(shù)；

20、所述綜合損失函數(shù)的設(shè)置方式為：

21、對于每個質(zhì)量參數(shù)，使用平方損失函數(shù)衡量質(zhì)量參數(shù)標(biāo)簽與輸出頭輸出的質(zhì)量參數(shù)預(yù)測值的差異，將各個質(zhì)量參數(shù)的平方損失函數(shù)加權(quán)求和，作為質(zhì)量預(yù)測模型的綜合損失函數(shù)；

22、步驟14：以每組訓(xùn)練樣本特征向量作為質(zhì)量預(yù)測模型的輸入，對質(zhì)量預(yù)測模型進(jìn)行訓(xùn)練，直至質(zhì)量預(yù)測模型的綜合損失函數(shù)達(dá)到收斂；

23、所述質(zhì)量預(yù)測模型訓(xùn)練模塊將質(zhì)量預(yù)測模型發(fā)送至參數(shù)權(quán)重分析模塊；

24、參數(shù)權(quán)重分析模塊，對訓(xùn)練樣本特征向量集合中的各項控制參數(shù)進(jìn)行擾動，基于擾動后的控制參數(shù)，通過質(zhì)量預(yù)測模型輸出擾動前和擾動后的質(zhì)量參數(shù)預(yù)測值，基于擾動前和擾動后的質(zhì)量參數(shù)預(yù)測值，獲得各項控制參數(shù)對各項質(zhì)量參數(shù)的影響權(quán)重，并基于各項控制參數(shù)對各項質(zhì)量參數(shù)的影響權(quán)重獲得各項質(zhì)量參數(shù)的主導(dǎo)控制參數(shù)；

25、所述獲得各項控制參數(shù)對各項質(zhì)量參數(shù)的影響權(quán)重的方式為：

26、將各道工序的編號標(biāo)記為i，將第i道工序中的各項控制參數(shù)標(biāo)記為ij；

27、將各項質(zhì)量參數(shù)的編號標(biāo)記為k；

28、將訓(xùn)練樣本特征向量集合中的每條訓(xùn)練樣本特征向量的編號標(biāo)記為m；

29、將第m條訓(xùn)練樣本特征向量輸入至質(zhì)量預(yù)測模型中，獲得質(zhì)量預(yù)測模型輸出的各項質(zhì)量參數(shù)的擾動前預(yù)測值向量qpm；

30、將第m條訓(xùn)練樣本特征向量中的控制參數(shù)ij標(biāo)記為zmij；對控制參數(shù)zmij進(jìn)行隨機(jī)擾動，并固定訓(xùn)練樣本特征向量中的其他控制參數(shù)的值，獲得擾動后樣本特征向量；

31、將擾動后樣本特征向量輸入至質(zhì)量預(yù)測模型，獲得輸出的各項質(zhì)量參數(shù)的擾動后預(yù)測值向量qlm；

32、計算各項質(zhì)量參數(shù)在擾動前后的預(yù)測差值向量qdm；

33、對于控制參數(shù)ij，計算第k個質(zhì)量參數(shù)對該控制參數(shù)的梯度tijk；梯度tijk的計算公式為：，其中為預(yù)測差值向量qdm中的第k項質(zhì)量參數(shù)，為對第m條擾動后樣本特征向量中控制參數(shù)ij實施的隨機(jī)擾動值，m為擾動后樣本特征向量的數(shù)量；

34、控制參數(shù)ij對第k個質(zhì)量參數(shù)的影響權(quán)重設(shè)置為；

35、所述基于各項控制參數(shù)對各項質(zhì)量參數(shù)的影響權(quán)重獲得各項質(zhì)量參數(shù)的主導(dǎo)控制參數(shù)的方式為：

36、構(gòu)造第k個質(zhì)量參數(shù)的影響權(quán)重向量wk，影響權(quán)重向量wk中包括各個控制參數(shù)的對第k個質(zhì)量參數(shù)的影響權(quán)重；

37、對第k個質(zhì)量參數(shù)進(jìn)行歸一化，獲得相對貢獻(xiàn)權(quán)重向量wnk；

38、對于第k個質(zhì)量參數(shù)，從相對貢獻(xiàn)權(quán)重向量中篩選出影響權(quán)重最大的s個控制參數(shù)，作為該質(zhì)量參數(shù)的主導(dǎo)控制參數(shù)；

39、所述參數(shù)權(quán)重分析模塊將影響權(quán)重和各個質(zhì)量參數(shù)的主導(dǎo)控制參數(shù)發(fā)送至控制策略優(yōu)化模塊；

40、控制策略優(yōu)化模塊，在收縮膜實際生產(chǎn)過程中，基于各個質(zhì)量參數(shù)的主導(dǎo)控制參數(shù)，對各個生產(chǎn)工序的各項控制參數(shù)提供控制建議；

41、所述對各個生產(chǎn)工序的各項控制參數(shù)提供控制建議包括以下步驟：

42、步驟21：為每個質(zhì)量參數(shù)預(yù)設(shè)預(yù)期范圍區(qū)間；

43、步驟22：在收縮膜實際生產(chǎn)過程中，收集已生產(chǎn)的上一個收縮膜的各項質(zhì)量參數(shù)的實際值；

44、步驟23：對比各項質(zhì)量參數(shù)的實際值與預(yù)期范圍區(qū)間，若存在任意的質(zhì)量參數(shù)的實際值不在預(yù)期范圍區(qū)間內(nèi)，將該質(zhì)量參數(shù)作為待調(diào)節(jié)質(zhì)量參數(shù)，并標(biāo)記為k0，執(zhí)行步驟24至步驟28，否則，不做處理；

45、步驟24：計算待調(diào)節(jié)質(zhì)量參數(shù)的偏離值devk0，偏離值devk0的計算公式為；其中，為待調(diào)節(jié)質(zhì)量參數(shù)的實際值，k0_min和k0_max分別為待調(diào)節(jié)質(zhì)量參數(shù)的預(yù)期范圍區(qū)間的左右邊界值；

46、步驟25：將第k0個質(zhì)量參數(shù)的各項主導(dǎo)控制參數(shù)的編號標(biāo)記為ij0；

47、將相對貢獻(xiàn)權(quán)重向量wnk0中，主導(dǎo)控制參數(shù)ij0對應(yīng)的相對貢獻(xiàn)權(quán)重標(biāo)記為wk0ij0；

48、計算主導(dǎo)控制參數(shù)ij0的相對梯度gij0，相對梯度gij0的計算公式為；

49、步驟26：將主導(dǎo)控制參數(shù)ij0的參數(shù)值標(biāo)記為qij0_old；

50、按梯度下降法則，修改主導(dǎo)控制參數(shù)ij0的值至qij0_new；

51、qij0_new的計算公式為：

52、；

53、其中，為預(yù)先設(shè)置的自適應(yīng)衰減值；

54、步驟27：收集當(dāng)前生產(chǎn)階段中各道生產(chǎn)工序中的各項控制參數(shù)的實際值，并將其中的主導(dǎo)控制參數(shù)的值替換為修改后的主導(dǎo)控制參數(shù)的值，組成調(diào)控樣本特征向量；

55、步驟28：將調(diào)控樣本特征向量輸入至質(zhì)量預(yù)測模型中，獲得第k0個質(zhì)量參數(shù)的預(yù)測值，若預(yù)測值依然不在對應(yīng)的預(yù)期范圍區(qū)間內(nèi)，則重復(fù)執(zhí)行步驟24至步驟27，直至預(yù)測值在對應(yīng)的預(yù)期范圍區(qū)間內(nèi)；

56、步驟29：將修改后的主導(dǎo)控制參數(shù)ij0的值qij0_new作為對該項主導(dǎo)控制參數(shù)的控制建議。

57、提出聚酯流延拉伸收縮膜生產(chǎn)線的智能化調(diào)度與優(yōu)化控制方法，包括以下步驟：

58、步驟一：預(yù)先確定各道生產(chǎn)工序的控制參數(shù)集合，以及生產(chǎn)出的收縮膜的質(zhì)量參數(shù)集合；

59、步驟二：預(yù)先在測試環(huán)境中，基于控制參數(shù)集合和質(zhì)量參數(shù)集合，收集訓(xùn)練質(zhì)量預(yù)測模型的訓(xùn)練樣本特征向量集合和質(zhì)量參數(shù)標(biāo)簽向量集合；

60、步驟三：基于訓(xùn)練樣本特征向量集合和質(zhì)量參數(shù)標(biāo)簽向量集合，訓(xùn)練用于預(yù)測收縮膜各項質(zhì)量參數(shù)的質(zhì)量預(yù)測模型；

61、步驟四：對訓(xùn)練樣本特征向量集合中的各項控制參數(shù)進(jìn)行擾動，基于擾動后的控制參數(shù)，通過質(zhì)量預(yù)測模型輸出擾動前和擾動后的質(zhì)量參數(shù)預(yù)測值，基于擾動前和擾動后的質(zhì)量參數(shù)預(yù)測值，獲得各項控制參數(shù)對各項質(zhì)量參數(shù)的影響權(quán)重，并基于各項控制參數(shù)對各項質(zhì)量參數(shù)的影響權(quán)重獲得各項質(zhì)量參數(shù)的主導(dǎo)控制參數(shù)；

62、步驟五：在收縮膜實際生產(chǎn)過程中，基于各個質(zhì)量參數(shù)的主導(dǎo)控制參數(shù)，對各個生產(chǎn)工序的各項控制參數(shù)提供控制建議。

63、提出一種電子設(shè)備，包括：處理器和存儲器，其中，所述存儲器中存儲有可供處理器調(diào)用的計算機(jī)程序；

64、所述處理器通過調(diào)用所述存儲器中存儲的計算機(jī)程序，執(zhí)行上述的聚酯流延拉伸收縮膜生產(chǎn)線的智能化調(diào)度與優(yōu)化控制方法。

65、提出一種計算機(jī)可讀存儲介質(zhì)，其上存儲有可擦寫的計算機(jī)程序；

66、當(dāng)所述計算機(jī)程序在計算機(jī)設(shè)備上運行時，使得所述計算機(jī)設(shè)備執(zhí)行上述的聚酯流延拉伸收縮膜生產(chǎn)線的智能化調(diào)度與優(yōu)化控制方法。

67、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

68、本發(fā)明通過設(shè)置特征參數(shù)設(shè)定模塊預(yù)先確定各道生產(chǎn)工序的控制參數(shù)集合，以及生產(chǎn)出的收縮膜的質(zhì)量參數(shù)集合，設(shè)置訓(xùn)練數(shù)據(jù)收集模塊預(yù)先在測試環(huán)境中，基于控制參數(shù)集合和質(zhì)量參數(shù)集合，收集訓(xùn)練質(zhì)量預(yù)測模型的訓(xùn)練樣本特征向量集合和質(zhì)量參數(shù)標(biāo)簽向量集合，設(shè)置質(zhì)量預(yù)測模型訓(xùn)練模塊基于訓(xùn)練樣本特征向量集合和質(zhì)量參數(shù)標(biāo)簽向量集合，訓(xùn)練用于預(yù)測收縮膜各項質(zhì)量參數(shù)的質(zhì)量預(yù)測模型，設(shè)置參數(shù)權(quán)重分析模塊對訓(xùn)練樣本特征向量集合中的各項控制參數(shù)進(jìn)行擾動，基于擾動后的控制參數(shù)，通過質(zhì)量預(yù)測模型輸出擾動前和擾動后的質(zhì)量參數(shù)預(yù)測值，基于擾動前和擾動后的質(zhì)量參數(shù)預(yù)測值，獲得各項控制參數(shù)對各項質(zhì)量參數(shù)的影響權(quán)重，并基于各項控制參數(shù)對各項質(zhì)量參數(shù)的影響權(quán)重獲得各項質(zhì)量參數(shù)的主導(dǎo)控制參數(shù)，設(shè)置控制策略優(yōu)化模塊在收縮膜實際生產(chǎn)過程中，基于各個質(zhì)量參數(shù)的主導(dǎo)控制參數(shù)，對各個生產(chǎn)工序的各項控制參數(shù)提供控制建議；通過結(jié)合智能模型建模和優(yōu)化控制理論,實現(xiàn)了對多質(zhì)量指標(biāo)、多參數(shù)的智能分析,自動計算各控制參數(shù)的優(yōu)先調(diào)節(jié)權(quán)重,并實時動態(tài)調(diào)節(jié)各工序參數(shù),使收縮膜的產(chǎn)品質(zhì)量保持在理想的目標(biāo)范圍內(nèi)，提高收縮膜的生產(chǎn)質(zhì)量。